全文搜索两个最重要的方面是：

• 相关性（Relevance） 它是评价查询与其结果间的相关程度，并根据这种相关程度对结果排名的一种能力，这种计算方式可以是 TF/IDF 方法、地理位置邻近、模糊相似，或其他的某些算法。
• 分词（Analysis） 它是将文本块转换为有区别的、规范化的 token 的一个过程，目的是为了创建倒排索引以及 查询倒排索引。

过程说明：

1. 检查字段类型

        爱好 hobby 字段是一个 text 类型（ 指定了IK分词器），这意味着查询字符串本身也应该被分词。

2. 分析查询字符串 。

        将查询的字符串 “音乐” 传入IK分词器中，输出的结果是单个项 音乐。因为只有一个单词项，所以 match 查询执 行的是单个底层 term 查询。

3. 查找匹配文档 。

        用 term 查询在倒排索引中查找 “音乐” 然后获取一组包含该项的文档，本例的结果是文档：3 、5 。

4. 为每个文档评分 。

        用 term 查询计算每个文档相关度评分 _score ，这是种将 词频（term frequency，即词 “音乐” 在相关文档的 hobby 字段中出现的频率）和 反向文档频率（inverse document frequency，即词 “音乐” 在所有文档的 hobby 字段中出现的频率），以及字段的长度（即字段越短相关度越高）相结合的计算方式。

        上面查询中只要是包含篮球和音乐的都被查询出来了。但是这有时候不能达到我们的要求，我们大部分时候都是希望两个词是同时包含的。这时候可以使用elasticsearch中指定词之间逻辑关系operator："and"

        上面的测试结果都是选择了"and"和"or"两个极端情况下，但是在真正搜索中，我们不会使用这两个极端情况的，这样就需要另外一种查询方式，即为只需要符合一定的相似度就可以查询到的数据，在elasticsearch中就支持这种查询方式，如使用minimum_should_match来指定匹配度，如60%。

        在搜索时除了上面的方法外，还可以使用过滤器中的bool组合搜索。

注意：上面示例中在搜索结果中必须包含篮球，不能包含音乐，如果包含了游泳，那么它的相似度更高。

评分的计算规则

• bool 查询会为每个文档计算相关度评分 _score ， 再将所有匹配的 must 和 should 语句的分数 _score 求和， 最后除以 must 和 should 语句的总数。
• must_not 语句不会影响评分； 它的作用只是将不相关的文档排除。

注意：默认情况下，should中的内容不是必须匹配的，如果查询语句中没有must，那么就会至少匹配其中一个。当然了， 也可以通过minimum_should_match参数进行控制，该值可以是数字也可以的百分比。

        在一些情况下，可能会对某些词增加权重来影响该条数据的得分。